Data Mining เป็นกระบวนการหา Useful New Correlations, Patterns, และ Trends โดย Sifting ผ่าน High Amount of Data ใน Repositories ใช้ Pattern Recognition Technologies รวม Statistical และ Mathematical Techniques เป็นการ Analyze Factual Datasets เพื่อ Discover Unsuspected Relationships และ Summarize Records ใน Novel Ways ที่ Logical และ Helpful ให้ Data Owner
เป็น Procedure ของ Selection, Exploration, และ Modeling ของ High Quantities ของ Information เพื่อ Find Regularities หรือ Relations ที่ Unknown ต้นทาง เพื่อได้ Clear และ Beneficial Results สำหรับ Database Owner
Data Mining คล้ายกับ Data Science ทำโดย Person ใน Particular Situation บน Specific Data Set ด้วย Objective Phase นี้มีหลาย Services รวม Text Mining, Web Mining, Audio/Video Mining, Pictorial Data Mining, Social Media Mining ทำผ่าน Software ที่ Simple หรือ Highly Specific
ด้วย Outsourcing Data Mining ทุกงานทำได้เร็วขึ้น Low Operation Costs Specific Firms ใช้ New Technologies เก็บ Data ที่หา Manual ไม่ได้ มี Tonnes of Data บน Multiple Platforms แต่ Very Limited Knowledge Accessible
Approach ของ Finding Useful Patterns ใน Data ได้รับหลายชื่อ รวม Data Mining, Knowledge Extraction, Data Discovery, Data Harvesting, Data Archaeology, Data Pattern Processing Data Mining ใช้โดย Statisticians, Data Analysts, และ Management Information Systems (MIS) Communities
ยังได้ Popularity ใน Database Area กระบวนการ Knowledge Discovery in Databases ถูก Invented ที่ First KDD Workshop ในปี 1989 (Piatetsky-Shapiro 1991) เพื่อ Maintain ว่า Knowledge คือ End Product ของ Data-driven Discovery ได้ Popular ใน AI และ Machine Learning Areas
KDD กำหนด Overall Process ของ Discovering Useful Knowledge จาก Data และ Data Mining กำหนด Specific Step ใน Process นี้ Data Mining คือ Application ของ Specific Algorithms สำหรับ Extracting Patterns จาก Data ความแตกต่างระหว่าง KDD Process และ Data-mining Step (ภายใน Process) เป็น Central Point
Further Steps ใน KDD Process รวม Data Preparation, Data Selection, Data Cleaning, Incorporation ของ Appropriate Prior Knowledge, และ Proper Analysis ของ Results ของ Mining สำคัญเพื่อ Ensure ว่า Useful Knowledge ถูก Derived จาก Data
Blind Application ของ Data-mining Techniques (ถูกต้อง Disapproved ว่า Data Dredging ใน Statistical Literature) อาจเป็น Dangerous Activity นำไปสู่ Discovery ของ Meaningless และ Invalid Patterns ได้ง่าย
